ClickHouse之DBA运维宝典

clickhouse运维篇(一):docker-compose 快速部署clickhouse集群 在本教程中,我们将学习如何使用 Docker Compose 部署一个带有三节点的 ClickHouse 集群,并使用 ZooKeeper 作为分布式协调服务。 阅读详情

ClickHouse 中有没有一些能够 “安家立命” 的运维 SQL 语句。我想对于这个问题很多朋友都会有兴趣,所以就在这里做一个简单的分享。

在 ClickHouse 默认的 system 数据库下(databse),拥有众多的系统表。我们对 ClickHouse 运行状态的各种信息,就主要来自于这些系统表。

接下来就列举一些常用的运维 SQL 语句。

 

  • 当前连接数

 

众所周知,CH 对外暴露的原生接口分为 TCP 和 HTTP 两类,通过 system.metrics 即可查询当前的 TCP、HTTP 与内部副本的连接数。

ch7.nauu.com :) SELECT * FROM system.metrics WHERE metric LIKE '%Connection';
SELECT *FROM system.metricsWHERE metric LIKE '%Connection'
┌─metric────────────────┬─value─┬─description─────────────────────────────────────────────────────────┐│ TCPConnection         │     2 │ Number of connections to TCP server (clients with native interface) ││ HTTPConnection        │     1 │ Number of connections to HTTP server                                ││ InterserverConnection │     0 │ Number of connections from other replicas to fetch parts            │└───────────────────────┴───────┴─────────────────────────────────────────────────────────────────────┘

 

  • 当前正在执行的查询

 

通过 system.processes 可以查询目前正在执行的查询,例如:

ch7.nauu.com :) SELECT query_id, user, address, query  FROM system.processes ORDER BY query_id;
SELECT     query_id,     user,     address,     queryFROM system.processesORDER BY query_id ASC
┌─query_id─────────────────────────────┬─user────┬─address────────────┬─query─────────────────────────────────────────────────────────────────────────────┐│ 203f1d0e-944e-472d-8d8f-bae548ff9899 │ default │ ::ffff:10.37.129.4 │ SELECT query_id, user, address, query FROM system.processes ORDER BY query_id ASC ││ fb7fba85-b2a0-4271-87ff-22da97ae511b │ default │ ::ffff:10.37.129.4 │ INSERT INTO hits_v1 FORMAT TSV                                                    │└──────────────────────────────────────┴─────────┴────────────────────┴───────────────────────────────────────────────────────────────────────────────────┘

可以看到,CH 目前正在执行两条语句,其中第 2 条是 INSERT 查询正在写入数据。 

 

  • 终止查询

 

通过 KILL QUERY 语句,可以终止正在执行的查询:

KILL QUERY WHERE query_id = 'query_id'

例如,终止刚才的 INSERT 查询 :

ch7.nauu.com :) KILL QUERY WHERE query_id='ff695827-dbf5-45ad-9858-a853946ea140';
KILL QUERY WHERE query_id = 'ff695827-dbf5-45ad-9858-a853946ea140' ASYNC
Ok.
0 rows in set. Elapsed: 0.024 sec.

 

众所周知,除了常规的 SELECT 和 INSERT 之外,在 ClickHouse 中还存在一类被称作 Mutation 的操作,也就是 ALTER DELETE 和 ALTER UPDATE。

 

对于 Mutation 操作, ClickHouse 专门提供了 system.mutations 用于查询,例如:

ch7.nauu.com :) SELECT database, table, mutation_id, command, create_time, is_done FROM system.mutations;
SELECT     database,     table,     mutation_id,     command,     create_time,     is_doneFROM system.mutations
┌─database─┬─table──────┬─mutation_id────┬─command──────────────────┬─────────create_time─┬─is_done─┐│ default  │ testcol_v9 │ mutation_2.txt │ DELETE WHERE ID = 'A003' │ 2020-06-29 01:15:04 │       1 │└──────────┴────────────┴────────────────┴──────────────────────────┴─────────────────────┴─────────┘
1 rows in set. Elapsed: 0.002 sec.

 

同样的,可以使用 KILL MUTATION 终止正在执行的 Mutation 操作:

KILL MUTATION WHERE mutation_id = 'mutation_id';

 

  • 存储空间统计

查询 CH 各个存储路径的空间:

ch5.nauu.com :) SELECT name,path,formatReadableSize(free_space) AS free,formatReadableSize(total_space) AS total,formatReadableSize(keep_free_space) AS reserved FROM system.disks
SELECT     name,     path,     formatReadableSize(free_space) AS free,     formatReadableSize(total_space) AS total,     formatReadableSize(keep_free_space) AS reservedFROM system.disks
┌─name──────┬─path──────────────┬─free──────┬─total─────┬─reserved─┐│ default   │ /chbase/data/     │ 36.35 GiB │ 49.09 GiB │ 0.00 B   ││ disk_cold │ /chbase/cloddata/ │ 35.35 GiB │ 48.09 GiB │ 1.00 GiB ││ disk_hot1 │ /chbase/data/     │ 36.35 GiB │ 49.09 GiB │ 0.00 B   ││ disk_hot2 │ /chbase/hotdata1/ │ 36.35 GiB │ 49.09 GiB │ 0.00 B   │└───────────┴───────────────────┴───────────┴───────────┴──────────┘
4 rows in set. Elapsed: 0.001 sec.

 

  • 各数据库占用空间统计

ch7.nauu.com :) SELECT database, formatReadableSize(sum(bytes_on_disk)) on_disk FROM system.parts GROUP BY database;
SELECT     database,     formatReadableSize(sum(bytes_on_disk)) AS on_diskFROM system.partsGROUP BY database
┌─database─┬─on_disk──┐│ system   │ 1.59 MiB ││ default  │ 3.60 GiB │└──────────┴──────────┘

 

  • 个列字段占用空间统计

每个列字段的压缩大小、压缩比率以及该列的每行数据大小的占比

SELECT     database,     table,     column,     any(type),     sum(column_data_compressed_bytes) AS compressed,     sum(column_data_uncompressed_bytes) AS uncompressed,     round(uncompressed / compressed, 2) AS ratio,     compressed / sum(rows) AS bpr,     sum(rows)FROM system.parts_columnsWHERE active AND database != 'system'GROUP BY     database,     table,     columnORDER BY     database ASC,     table ASC,     column ASC
┌─database─┬─table────────┬─column─────────────────────┬─any(type)──────────────────────────────┬─compressed─┬─uncompressed─┬──ratio─┬───────────────────bpr─┬─sum(rows)─┐│ default  │ hits_v1      │ AdvEngineID                │ UInt8                                  │     351534 │     26621706 │  75.73 │  0.013204788603705563 │  26621706 ││ default  │ hits_v1      │ Age                        │ UInt8                                  │    7543552 │     26621706 │   3.53 │    0.2833609536518809 │  26621706 ││ default  │ hits_v1      │ BrowserCountry             │ FixedString(2)                         │    6549379 │     53243412 │   8.13 │   0.24601650247358303 │  26621706 ││ default  │ hits_v1      │ BrowserLanguage            │ FixedString(2)                         │    2819085 │     53243412 │  18.89 │   0.10589422781545255 │  26621706 ││ default  │ hits_v1      │ CLID                       │ UInt32                                 │    2311006 │    106486824 │  46.08 │   0.08680908729140048 │  26621706 ││ default  │ hits_v1      │ ClientEventTime            │ DateTime                               │   98518704 │    106486824 │   1.08 │    3.7006908573026838 │  26621706 ││ default  │ hits_v1      │ ClientIP                   │ UInt32                                 │   25120766 │    106486824 │   4.24 │    0.9436196913901761 │  26621706 ││ default  │ hits_v1      │ ClientIP6                  │ FixedString(16)                        │   25088558 │    425947296 │  16.98 │    0.9424098515699934 │  26621706 ││ default  │ hits_v1      │ ClientTimeZone             │ Int16                                  │    8487148 │     53243412 │   6.27 │    0.3188055641512982 │  26621706 ││ default  │ hits_v1      │ CodeVersion                │ UInt32                                 │   11976952 │    106486824 │   8.89 │    0.4498942329240658 │  26621706 ││ default  │ hits_v1      │ ConnectTiming              │ Int32                                  │   27937373 │    106486824 │   3.81 │    1.0494208372671534 │  26621706 ││ default  │ hits_v1      │ CookieEnable               │ UInt8                                  │     202718 │     26621706 │ 131.32 │  0.007614763681936838 │  26621706 ││ default  │ hits_v1      │ CounterClass               │ Int8                                   │     425492 │     26621706 │  62.57 │  0.015982897564866805 │  26621706 │...

 

  • 慢查询

SELECT     user,     client_hostname AS host,     client_name AS client,     formatDateTime(query_start_time, '%T') AS started,     query_duration_ms / 1000 AS sec,     round(memory_usage / 1048576) AS MEM_MB,     result_rows AS RES_CNT,     result_bytes / 1048576 AS RES_MB,     read_rows AS R_CNT,     round(read_bytes / 1048576) AS R_MB,     written_rows AS W_CNT,     round(written_bytes / 1048576) AS W_MB,     queryFROM system.query_logWHERE type = 2ORDER BY query_duration_ms DESCLIMIT 10
┌─user────┬─host─────────┬─client────────────┬─started──┬────sec─┬─MEM_MB─┬──RES_CNT─┬────────────────RES_MB─┬────R_CNT─┬─R_MB─┬───W_CNT─┬─W_MB─┬─query───────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────┐│ default │ ch7.nauu.com │ ClickHouse client │ 01:05:03 │ 51.434 │   1031 │  8873898 │      8706.51146697998 │        0 │    0 │ 8873898 │ 8707 │ INSERT INTO hits_v1 FORMAT TSV                                                                                                                                          ││ default │ ch7.nauu.com │ ClickHouse client │ 01:01:48 │ 43.511 │   1031 │  8873898 │      8706.51146697998 │        0 │    0 │ 8873898 │ 8707 │ INSERT INTO hits_v1 FORMAT TSV                                                                                                                                          ││ default │ ch7.nauu.com │ ClickHouse client │ 17:12:04 │  11.12 │   1801 │ 18874398 │     446.8216323852539 │  6291466 │  351 │       0 │    0 │ SELECT id, arrayJoin(arrayConcat(groupArray(a), groupArray(b), groupArray(c))) AS v FROM test_y GROUP BY id ORDER BY v ASC                                              ││ default │ ch7.nauu.com │ ClickHouse client │ 17:13:28 │  3.992 │   1549 │ 18874398 │     446.8216323852539 │  6291466 │  351 │       0 │    0 │ SELECT id, arrayJoin(arrayConcat(groupArray(a), groupArray(b), groupArray(c))) AS v FROM test_y GROUP BY id                                                             ││ default │ ch7.nauu.com │ ClickHouse client │ 17:13:12 │  3.976 │   1549 │ 18874398 │     446.8216323852539 │  6291466 │  351 │       0 │    0 │ SELECT id, arrayJoin(arrayConcat(groupArray(a), groupArray(b), groupArray(c))) AS v FROM test_y GROUP BY id                                                             ││ default │ ch7.nauu.com │ ClickHouse client │ 01:25:39 │  3.962 │   1549 │ 18874398 │     446.8216323852539 │  6291466 │  351 │       0 │    0 │ SELECT id, arrayJoin(arrayConcat(groupArray(a), groupArray(b), groupArray(c))) AS v FROM test_y GROUP BY id                                                             ││ default │ ch7.nauu.com │ ClickHouse client │ 04:32:29 │  3.114 │   1542 │ 10000000 │    219.82192993164062 │ 10500000 │  231 │       0 │    0 │ SELECT user_id, argMax(score, create_time) AS score, argMax(deleted, create_time) AS deleted, max(create_time) AS ctime FROM test_a GROUP BY user_id HAVING deleted = 0 ││ default │ ch7.nauu.com │ ClickHouse client │ 02:59:56 │   3.03 │   1544 │ 10000000 │    219.75380992889404 │ 10500000 │  231 │       0 │    0 │ SELECT user_id, argMax(score, create_time) AS score, argMax(is_update, create_time) AS is_update, max(create_time) AS ctime FROM test_a GROUP BY user_id                ││ default │ ch7.nauu.com │ ClickHouse client │ 02:54:01 │  3.019 │   1543 │ 10000000 │     219.3450927734375 │ 10500000 │  230 │       0 │    0 │ SELECT user_id, argMax(score, create_time) AS score, argMax(delete, create_time) AS delete, max(create_time) AS ctime FROM test_a GROUP BY user_id                      ││ default │              │                   │ 03:03:12 │  2.857 │   1543 │       10 │ 0.0002269744873046875 │ 10500000 │  231 │       0 │    0 │ SELECT * FROM view_test_a limit 10                                                                                                                                      │└─────────┴──────────────┴───────────────────┴──────────┴────────┴────────┴──────────┴───────────────────────┴──────────┴──────┴─────────┴──────┴─────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘
10 rows in set. Elapsed: 0.017 sec. Processed 1.44 thousand rows, 200.81 KB (83.78 thousand rows/s., 11.68 MB/s.) 

 

  • 副本预警监控

 

通过下面的 SQL 语句对副本进行预警监控,其中各个预警的变量可以根据自身情况调整。

SELECT database, table, is_leader, total_replicas, active_replicas   FROM system.replicas  WHERE is_readonly     OR is_session_expired     OR future_parts > 30     OR parts_to_check > 20     OR queue_size > 30     OR inserts_in_queue > 20     OR log_max_index - log_pointer > 20     OR total_replicas < 2     OR active_replicas < total_replicas
┌─database─┬─table───────────────────────┬─is_leader─┬─total_replicas─┬─active_replicas─┐│ default  │ replicated_sales_12         │         0 │              0 │               0 ││ default  │ test_fetch                  │         0 │              0 │               0 ││ default  │ test_sharding_simple2_local │         0 │              0 │               0 │└──────────┴─────────────────────────────┴───────────┴────────────────┴─────────────────┘

 

好了,今天的分享就到这里。对于 CH 日常的运维 SQL 远不止这些,这里也只是抱砖引玉啦。

如果这篇文章对你有帮助,欢迎 订阅、转发、在看 三连击 :)

【clickhouse】ClickHouse之DBA运维宝典 1.概述 转载:ClickHouse之DBA运维宝典 这里仅仅是积累知识。建议大家去看原来的。 最近有位网友与我聊天,他是一名 DBA,问我在 ClickHouse 中有没有一些能够 “安家立命” 的运维 SQL 语句。我想对于这个问题很多朋友都会有兴趣,所以就在这里做一个简单的分享。 在 ClickHouse 默认的 system 数据库下(databse),拥有众多的系统表。我们对 ClickHouse 运行状态的各种信息,就主要来自于这些系统表。 接下来就列举一些常用的运维 SQL 语句。 1.1 当 阅读详情

相关推荐

《大数据最全面试题-Offer直通车》目录

做好这些不用担心试用期不通过:程序员入职新公司如何快速上手项目本人遇到大数据面试题和参考答案(超过1万字精华版)大数据面试英文自我介绍参考(万字长文)大数据运维应用场景面试题汇总及参考答案(持续更新)万字数据仓库面试题及参考答案数据仓库数据质量监控和处理方法最佳实践数据仓库建模方法万字详解Doris的3种数据模型详解和数据仓库每一层的模型选用大数据面试临阵磨枪不知看什么?看这份心理就有底了-大数据常用技术栈常见面试100道题最全Hive面试题2024年(2万字详解)Elasticsearch 面试题及参考答

大模型大数据攻城狮的专栏 2642

clickhouse DBA入门常用SQL

clickhouse DBA入门常用SQL

Hehuyi_In的博客 2410

【ClickHouse 实战】如何搭建ClickHouse集群和监控运维集群?

学会如何搭建ClickHouse集群和监控运维集群,可以帮助你高效地管理、维护和扩展你的数据库系统,更好地满足业务发展的需求。ClickHouse是一个高性能的开源列存储数据库管理系统,适用于实时分析、大数据仓库等场景。高性能查询:ClickHouse使用列式存储管理和向量化查询执行引擎,在运行大型分析查询方面有出色表现。高度压缩:数据列的相似性使得ClickHouse能够采用高效压缩算法(例如LZ4、ZSTD等)进行存储,从而显著减小存储空间。

AI天才研究院 1万+

高级DBA带你解决达梦国产数据库数据同步至clickhouse数据库通用方法(全中国唯一一份)关键技术讲解

达梦国家数据库数据同步至clickhouse数据库通用方法高级DBA带你从0到1搞定, 高级DBA带你解决达梦国产数据库数据同步至clickhouse数据库通用方法(全中国唯一一份)关键技术讲解

nasen512的博客 2114

MOSFET高频响应实战:如何用LTspice仿真内部电容效应(附模型文件)

本文深入解析MOSFET高频响应中的内部电容效应,通过LTspice仿真工具详细展示如何提取模型参数并优化高频特性。从栅极相关电容到结电容的物理本质,再到实战案例中的开关损耗分析和频率响应扫描,提供全面的设计优化方法,帮助工程师有效应对高速开关电路中的电容挑战。

weixin_33725722的博客 390

从零开始:IBM V3700控制器更换与机器代码升级全流程指南

本文详细介绍了IBM V3700存储系统控制器更换与机器代码升级的全流程指南。从前期准备、硬件更换到版本同步,逐步解析如何应对503错误等常见问题,确保系统稳定运行。通过实战案例和优化建议,帮助工程师高效完成维护任务,提升存储系统可用性。

weixin_28365523的博客 312

表创建时自动创建时间和更新时间

表创建时自动创建时间和更新时间 `create_time` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间,即数据首次同步的时间', `update_time` timestamp NULL DEFAULT NULL ON UPDATE CURRENT_TIMESTAMP COMMENT '触发唯一约束时记录更新时间', ...

小石头的博客 1673

游戏开发实战:如何用旋转矩阵实现2D角色平滑转向(附Unity代码)

本文深入探讨了在Unity游戏开发中,如何运用旋转矩阵原理实现2D角色的平滑转向。文章从核心理论出发,提供了计算目标旋转、实现平滑插值(Lerp与SmoothDamp)的完整C#代码,并解决了与动画系统、物理引擎协同的常见难题,帮助开发者提升游戏操作手感与视觉流畅度。

weixin_29057237的博客 287

ClickHouse-2(安装配置)

简易安装 前置配置 关闭SELinux,打开相关端口或关闭防火墙 取消打开文件限制:vi /etc/security/limits.conf * soft nofile 65536 * hard nofile 65536 * soft nproc 131072 * hard nproc 131072 vi /etc/security/limits.d/20-nproc.conf * soft nofile 65536 * hard nofile 65536 * soft nproc 1310

getBinary的博客 1913

攻防世界:Crypto习题之easy_RSA

在非对称加密算法中,单向函数被广泛应用,用于确保从公钥加密后的密文无法轻易推导出私钥,从而保证数据的安全性。而其中最著名的算法便是 RSA 加密算法。首先设φm:=∣1≤k≤mgcdkm1∣为欧拉函数(Euler’sche Phi-function)。pqn:=pqpqφnnpqpqφnp−1q−1e∈12...φn−1gcdφne1ended≡1φn假设我们现在有明文x以及公钥en。

qq_52789488的博客 1572

C# 8. 在新窗口中使用chart控件波形移动显示

1. 添加新窗口 在Form1中新建button控件,名称为buttonStartWaveDisp,这样单击就能调出Form2窗口 在Form1中增加如下: private void buttonStartWaveDisp_Click(object sender, EventArgs e) { if((form2 == null) || (form2.IsDisposed == true)) { form2 = new Form2();

TrueLink的博客 1432

ClickHouse进程杀不掉

1.我是用下载好的rpm包安装的服务,当执行 service clickhouse-server stop 停止CH服务之后,发现服务莫名的自动重启了,此处省略一百字后发现,原来是安装的时候默认在/etc/init.d/clickhouse-server此处放置了启动脚本 2.并且在 /etc/cron.d/clickhouse-server放置了定时启动的脚本 3.进入脚本发现定时任务是注释掉的 4.所以猜测这应该是CH的默认设置,每10秒去检测服务的状态,如果进程没有启动就会去拉起 指令: 1).

lck_csdn的博客 2489

华为非AI方向0603笔试真题-爆破小游戏(详细思路+多语言题解)

华为非AI方向0603笔试第二题【爆破小游戏】,提供详细思路讲解以及代码实现。

qq_45776114的博客 358

clickhouse语句_ClickHouse之DBA运维宝典

最近有位网友与我聊天,他是一名 DBA,问我在 ClickHouse 中有没有一些能够 “安家立命” 的运维 SQL 语句。我想对于这个问题很多朋友都会有兴趣,所以就在这里做一个简单的分享。在 ClickHouse 默认的 system 数据库下(databse),拥有众多的系统表。我们对 ClickHouse 运行状态的各种信息,就主要来自于这些系统表。接下来就列举一些常用的运维 SQ...

weixin_32248531的博客 278

innovus:streamOut gds中pg text带有冒号(:)解决办法

streamOut后查看layout,发现部分PG text后面加了冒号,比如VDD: / VSS:。当然,这个问题还有另一种解决办法,就是通过脚本给terminal打text再streamOut。我正在「拾陆楼」和朋友们讨论有趣的话题,你⼀起来吧?

m0_61544122的博客 1190

Go语言面试:面试中经常被问到的50个经典面试题(附参考答案)

Go语言核心知识点摘要 基础语法与数据结构 make和new区别:new分配零值内存返回指针,make初始化引用类型返回实例 Slice底层:包含指针、长度、容量的结构体,多个slice可共享底层数组 nil与空slice:nil指针为nil,空slice指针非nil但JSON编码不同 Map原理:哈希表实现,非线程安全,扩容策略影响性能 for range注意:循环变量是拷贝,map遍历无序 defer执行:LIFO顺序,函数返回前执行 Struct比较:仅当所有字段可比较时才可比较 参数传递:只有值传递

数据知道的博客 4721

掌握ClickHouse数据安全:clickhouse-backup实战指南

在数据驱动的时代,ClickHouse作为高性能的列式数据库,承载着企业核心的分析业务。但数据安全始终是悬在每位DBA头上的达摩克利斯之剑——如何确保TB级数据的安全备份与快速恢复?今天,让我们一起探索clickhouse-backup这个强大的开源工具,它将彻底改变你对ClickHouse数据保护的认知。 ## 探索之旅:为什么选择clickhouse-backup? **你知道吗?** C

gitblog_00083的博客 844

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

clickhouse的SQL参考——(三)ALTER

参考资料 https://clickhouse.tech/docs/en/sql-reference/statements/alter/ 版本:v20.11 总览 大多数ALTER查询都会修改表设置或数据: COLUMN PARTITION DELETE UPDATE ORDER BY INDEX CONSTRAINT TTL 大多数* ALTER查询仅支持* MergeTree表以及Merge和Distributed。 ALTER设置会修改基于角色的访问控制有关的实体: USE

Aiky哇 6047

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

Clickhouse常见运维操作

Distributed表引擎是分布式表的代名词,它自身不存储任何数据,而是作为数据分片的透明代理,能够自动路由数据至集群中的各个节点,所以Distributed表引擎需要和其他数据表引擎一起协同工作。ClickHouse内置了许多system系统表,用于查询自身的状态信息。query_log是最常用的查询日志,它记录了ClickHouse服务中所有已经执行的查询记录。更改列类型是一个复杂的操作,它会更改包含数据的文件内容。不同的表引擎选项不同,这里以 MergeTree() 引擎作为示例。

lanicc's blog 2607

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

ClickHouse集群运维实践

ClickHouse集群运维策略包括监控方案,包括metric采集、报警策略、图形化报表。业界常用的监控方案一般是基于prometheus + grafana生态。由clickhouse-exporter (node-exporter) + prometheus + grafana组成的监控方案。 此外,ClickHouse还有多种分布式集群方案,例如:MergeTree + Distributed方案,它利用了Distributed表的特性+MergeTree表的特性,分布式表不存储数据,数据来自本地表

lang830349821的博客 2328

ClickHouse生产运维系列[部署篇]-01_ckman介绍及安装部署

根据网上资料显示,ckman(ClickHouse Manager)是由擎创科技这家公司自主研发的一款管理ClickHouse的工具。ckman拥有前后端,前后端分别采用不同的编程语言开发,前端采用Vue框架,后端使用Go语言编写。ckman主要用来管理ClickHouse集群、节点以及数据监控等。传统的ClickHouse集群部署比较复杂,流程步骤多,对于初学者来不是很友好,特别是在生产部署中,工作量较大。使用ckman可以大大减轻集群部署难度,可以在段时间内快速部署一套ClickHouse集群。

shlei5580的专栏 2337

介绍ClickHouse重要特性——系统表

系统表是ClickHouse的重要特性,主要提供数据库SCHEMA、配置和使用的元数据。主要用于数据库管理、查询优化以及系统监控。通过使用系统表DBA和开发者能优化ClickHouse数据库性能、提升整体效率。

neweastsun的专栏 2751

[1180]clickhouse查看数据库和表的容量大小

而在clickhouse,我们可以通过system.parts查看clickhouse数据库和表的容量大小、行数、压缩率以及分区信息。结果为:这是因为在CH中,和我们hive表不一样,hive表一个分区只会有一条记录,但CH不是,每个分区分为了不同的marks。在mysql中information_schema这个数据库中保存了mysql服务器所有数据库的信息,结果为:这种结果显示的大小size是字节,我们如何转换为常见的MB和GB呢?因此,我们要实现和hive一样查分区的功能时,要对表进行聚合查看。

周小董 5896

【clickhouse】1、运维, sql, 性能, go client

clickhouse 超详细介绍

呆呆的猫的博客 1142
上一篇: clickhouse(八、特有存储结构和分布式表)
下一篇: clickhouse(九、metabase链接及时区配置)
yyoc97
博客等级 码龄12年 272粉丝 91原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值